A NTT DATA, Kipu Quantum e a Komatsu desenvolveram uma prova de conceito (PoC) para prever falhas críticas nos cabos do sistema de elevação de escavadeiras elétricas utilizadas em operações de mineração. A iniciativa aplica machine learning quântico para gerar alertas com até sete dias de antecedência, permitindo intervenções antes que uma falha afete ativos essenciais à operação. A abordagem demonstrou potencial para reduzir os custos em até um terço.
A iniciativa enfrenta um dos desafios de maior impacto financeiro para o setor de mineração. Uma falha inesperada em um cabo do sistema de elevação pode interromper a operação, elevar os custos de manutenção e comprometer a continuidade dos negócios. Nesse tipo de ambiente, uma parada não planejada pode custar até três vezes mais do que uma intervenção preventiva.
O projeto se concentrou em um problema que os métodos convencionais têm dificuldade para solucionar: identificar, em dados complexos, sinais precoces de desgaste. Os sinais captados pelos sensores apresentavam interferências, os eventos de falha eram raros e as condições operacionais variavam de um equipamento para outro. Esses fatores limitavam o desempenho dos modelos tradicionais de machine learning em ambientes de produção.
Para enfrentar esse desafio, as empresas adotaram uma abordagem baseada em Digitized Quantum Feature Mapping (DQFM), técnica que transforma dados de sensores em novas representações capazes de revelar padrões de deterioração com mais clareza do que os métodos clássicos. O piloto indicou que uma representação mais eficaz dos dados pode aprimorar as previsões, mesmo com modelos mais simples, robustos e de fácil manutenção. A análise também identificou menor correlação entre as variáveis, um indicativo de maior estabilidade e consistência dos resultados.
Além de antecipar falhas, o projeto incorporou um modelo de apoio à decisão baseado em custos, utilizando a métrica de custo esperado de manutenção (Expected Maintenance Cost, EMC), que associa as previsões a decisões operacionais concretas. Com isso, o piloto ajuda a definir o momento mais adequado para substituir componentes com base no risco de falha e oferece um critério econômico mais claro para orientar as decisões de manutenção.
“O machine learning quântico nos permite compreender melhor os dados, identificar relações que antes não enxergávamos e transformar essas descobertas em decisões operacionais mais simples e confiáveis”, afirmou Juan José Miranda, Head do Innovation Center da NTT DATA Peru. “O valor deste piloto vai além da mineração. Os setores de energia, transporte e manufatura enfrentam desafios semelhantes na gestão de ativos críticos e também podem adotar essa abordagem para otimizar suas operações e reduzir custos.”
Com este piloto, as três empresas demonstram como a computação quântica já pode gerar valor prático em ambientes industriais complexos. Ao reunir conhecimento do setor, análise avançada e tecnologias emergentes, o projeto ajuda a transformar dados complexos em decisões operacionais mais oportunas e confiáveis, que podem ser adotadas em escala.